マルチレベルカウントデータモデルにおける誤分類のためのベイジアン補正

共変量の誤分類は、単一レベルの回帰モデルで偏った推定値をもたらすことがよく知られています。階層カウントモデルへの影響はあまり研究されていません。誤分類された共変量と階層的応答の両方をモデル化するための完全にベイジアンアプローチが提案されています。単一の診断テストと複数の診断テストを伴うモデルが考慮されます。シミュレーション研究は、バイアスを削減し、間隔推定器のパフォーマンスを向上させることにより、提案されたモデルが誤分類を適切に説明する能力を示しています。実際のデータの例は、誤分類を無視することの結果をさらに実証しました。誤分類を無視すると、両親の間で配偶者の虐待を観察した女性の子供の数に大きなプラスの影響があることが示されたモデルが得られました。誤分類が説明された場合、関係は負に切り替えられましたが、重要ではありませんでした。標準的な線形および一般化された線形モデルの誤分類を無視することは、偏った結果につながることがよく知られています。誤分類モデリングを階層的一般化線形モデルの重要な領域に拡張するアプローチを提供します。

Covariate misclassification is well known to yield biased estimates in single level regression models. The impact on hierarchical count models has been less studied. A fully Bayesian approach to modeling both the misclassified covariate and the hierarchical response is proposed. Models with a single diagnostic test and with multiple diagnostic tests are considered. Simulation studies show the ability of the proposed model to appropriately account for the misclassification by reducing bias and improving performance of interval estimators. A real data example further demonstrated the consequences of ignoring the misclassification. Ignoring misclassification yielded a model that indicated there was a significant, positive impact on the number of children of females who observed spousal abuse between their parents. When the misclassification was accounted for, the relationship switched to negative, but not significant. Ignoring misclassification in standard linear and generalized linear models is well known to lead to biased results. We provide an approach to extend misclassification modeling to the important area of hierarchical generalized linear models.